基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究

为了准确迅速判断质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)水管理子系统故障,提出基于概率神经网络(probabilistic neural network,PNN)和线性判别分析(linear discriminant analysis,LDA)的PEMFC水管理故障诊断方法。该方法采用归一化消除原始数据参量之间的量纲影响,使用线性判别分析对归一化后的变量进行特征提取。不但可以将原始实验数据映射到同一区间内,而且能有效降低数据维度。利用概率神经网络对5维故障特征向量实现水管理故障诊断。17086组PEMFC水管理故障样本的诊断结果表明:所提方法能有效识别正常状态、水淹故障和膜干故障共3种水管理健康状态,训练集和测试集的诊断正确率分别为99.80%和93.48%,运算时间仅为14.04s。与BPNN和LDA-BPNN相比:新方法测试集的预测精度分别高出17.47%和2.75%,计算时间分别节省39.83s和28.37s。因此,新方法能快速准确地诊断PEMFC水管理故障。     

纯电动车用驱动电机滚动轴承状态监测方法

驱动电机轴承健康状态是实现纯电动车可靠运行,避免发生安全事故的重要前提,针对纯电动车电机滚动轴承状态监测方法缺失的问题,提出一种基于稀疏自编码器(sparse auto-encoder,SAE)与支持向量机(support vector machine,SVM)的纯电动车用电机滚动轴承状态监测方法.在特征提取方面,利用...     

一种SSAE+BPNN的变工况飞灰含碳量软测量方法

火电机组变工况运行使数据呈现多模态特征,导致基于浅层网络结构的回归软测量模型的预测精度下降。研究一种改进的BP神经网络(back propagation neural network,BPNN)软测量方法：首先利用堆叠稀疏自编码器(stacked sparse autoencoder,SSAE)强大的深度学习能力提取原始数据特征,然后再利用BPNN对提取特征进行回归分析。经实验验证,SSAE+BPNN软测量方法的均方误差为0.135 8×10^–3,平方相关系数为0.983 2,其预测精度和泛化能力显著优于BPNN。将其应用于某台灵活调峰的超超临界660 MW发电机组飞灰含碳量软测量中,预测结果的平均相对误差为0.91%,总体相对误差控制在±5%以内,具有良好的工程应用价值。     

基于栈式相关性稀疏自编码的电力通信网故障诊断

针对电力通信网故障的特征自学习提取与诊断问题,提出一种栈式相关性稀疏自编码(StackedRelational SparseAutoencoder,SRAE)深度神经网络的电力通信网故障诊断方法。将电力通信网中MIB(Management Information Base)变量状态数据编码为二进制序列作为训练数据,浅层单一的自编码网络对故障的自学习、特征提取能力不足。因此,首先将稀疏性限制和输入数据相关性限制融入自编码网络,构成相关性稀疏自编码神经网络(Relational Sparse Autoencoder, RAE)。然后将其层层堆栈,并在最后一层隐含层后添加分类器,构成SRAE。最后,以路由器之间的连接故障为例进行仿真实验。实验结果表明所提出的故障诊断方法准确率平均值达到99.625%,具有较高且稳定的诊断准确性。     

PEMFC自增湿技术的研究进展

自增湿技术可以简化质子交换膜燃料电池(PEMFC)的系统,提高比功率,降低成本,促进PEMFC的商业化。从自增湿流场结构、自增湿复合膜、自增湿膜电极(MEA)等方面介绍了自增湿技术的研究现状和发展趋势。     

基于改进SSA-DBN的质子交换膜燃料电池水故障智能分类方法

为了实现质子交换膜燃料电池(PEMFC)系统水故障的高效快速分类,提出了基于改进麻雀搜索算法(SSA)优化深度置信网络(DBN)的PEMFC故障分类方法。采用归一化处理消除故障数据参数之间量纲不同的影响,使用核主成分分析对数据进行故障特征提取,有效地缩减了原始数据维度,降低了运算复杂度,并避免低贡献度数据对故障分类造成干扰。引入柯西-高斯变异策略改进SSA,并利用SSA对DBN进行参数寻优,确定网络结构,通过优化后的DBN实现对PEMFC水故障的快速分类。对3 000组PEMFC水故障数据进行测试,结果表明：所提方法可以快速准确地识别PEMFC的正常状态、膜干故障、水淹故障3种健康状态;总体的分类准确率为98.67%,运算时间为0.89 s,相比支持向量机、概率神经网络方法,所提方法的故障分类精度分别提升了4 %、3.34 %,运算时间分别减少了15.35、0.35 s。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

基于运行数据时空特征和Stacking集成学习的质子交换膜燃料电池故障诊断EI北大核心CSCD

为实现质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)故障诊断的快速性和准确性,提出基于运行数据时空特征和Stacking集成学习的故障诊断方法。首先,采用客观赋权法为反映PEMFC运行状态的电压、电流、温度和压力等变量进行赋权,基于核主成分分析和长短时记忆神经网络提取其空间、时间特征,基于add思想融合空间、时间特征,构建时空特征集。然后,建立以卷积神经网络(convolutional neural network,CNN)、随机森林、K最近邻算法、极端梯度提升树(extreme gradient boosting,XGBoost)为基分类器,XGBoost为元分类器的Stacking集成学习框架,实现了对PEMFC系统正常、水淹、膜干和氢气泄漏四种运行状态的诊断。最后,算例结果表明,所构建的时空特征集在5种单一分类模型的平均诊断准确率为99.23%,相比空间特征集提升2.83%,在Stacking模型的诊断准确率为99.99%。同时,在满足相同损失函数的前提下,使CNN的运算时间减少28s。因此,所提方法能够实现对PEMFC系统故障的快速准确诊断。     

车用燃料电池水故障的在线诊断

质子交换膜燃料电池(PEMFC)易发生水淹、膜干等健康故障。合理的水故障诊断有助于对PEMFC内部的工作状态进行实时监测、预警并及时应对。基于气体压力降的水故障诊断方法搭建PEMFC水故障在线诊断测试平台;介绍气体压力降的理论计算方法;针对某款PEMFC堆进行阴、阳极气体压力降和电压的测试研究及分析。由于实验过程中PEMFC内部水量的变化,前1 000 s时,阴极气体压力降快速升高,阳极气体压力降缓慢升高,电压值快速下降;1 500 s后,阴、阳极气体压力降和电压值趋于稳定。该方法能实现PEMFC水故障的在线诊断。     

基于PCC-ISSA-BP燃料电池剩余寿命预测

在质子交换膜燃料电池(PEMFC)寿命预测中,针对燃料电池中的特征对其寿命的影响程度未知问题,使预测燃料电池的剩余寿命问题变得相对复杂,为了更加准确的预测燃料电池的剩余使用寿命。本文首先通过小波分析对原始堆栈电压进行去噪处理,滤除噪声数据,利用皮尔逊相关系数(PCC)对影响因素进行降维,提取关键影响因素,简化模型结构;然后利用改进的麻雀优化算法(ISSA)优化BP神经网络,找到网络最优的权值和阈值,并建立ISSA-BP模型;最后将处理好的数据输入ISSA-BP模型,实现PEMFC的剩余寿命预测。实验结果表明,PCC-ISSA-BP的平均绝对误差百分比、平均绝对误差、均方根误差分别为0.125%、0.003 97、0.005 68,优于其它模型,能够更有效地预测燃料电池的剩余寿命。     

阳极封闭式自增湿质子交换膜燃料电池--水分布及其性能

针对阳极封闭式自增湿质子交换膜燃料电池(PEMFC),建立了Nafion固体电解质膜中水传递理论模型,并得出了PEMFC实现自增湿的判据.模拟了Nafion固体电解质膜厚、电池压差、电池温度及电流密度等因素对膜中水分布与电渗系数的影响,并发现了阴阳两极压差、电池温度对膜中水分布的影响随放电电流密度变化的规律.通过非对称式膜电极(MEA)的方法自制了自增湿PEMFC,实现了阳极封闭式自增湿操作,电池性能非常稳定,最高功率密度可达到1.3W/cm2以上.建立的水分布与电性能模型很好地拟合了实验放电曲线,并得到了自增湿PEMFC氧电极动力学参数,模拟出了阴阳两极压差、温度对电性能影响的极化曲线,得到了实验的证实.     

6kW PEMFC发电并网系统孤岛检测方法

随着燃料电池技术的迅速发展,越来越多的大功率级别燃料电池运用到分布式发电中。为了使燃料电池安全稳定运行,燃料电池分布式发电需要准确的检测出孤岛效应。运用主动移频式(AFD)孤岛检测方法对质子交换膜燃料电池(PEMFC)发电并网系统进行了检测,实验结果表明AFD法能有效的检测PEMFC发电并网系统孤岛的发生。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

基于CNN的质子交换膜燃料电池故障诊断

可靠性低和耐久性差的问题是目前制约质子交换膜燃料电池(PEMFC)发展的主要瓶颈,故障诊断技术作为解决这些问题的重要途径之一而备受研究人员关注。这里针对传统基于机器学习诊断方法所存在的数据分析能力较弱及诊断过程易出现累计误差等问题,提出了一种基于卷积神经网络(CNN)的深度学习故障诊断方法,该方法具备自主学习能力,可通过图像信号自动提取故障诊断特征,在实例中的应用结果表明该方法能精确识别燃料电池的膜干故障、氢气泄露故障、正常状态及未知状态,并且诊断性能优于支持向量机(SVM)、K-最近邻(KNN)等传统机器学习算法。因此,该方法具有进一步深入研究的价值,同时对于促进燃料电池故障诊断技术进一步发展也具有重要意义。     

基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别

针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。     

小型自呼吸式PEMFC的研制

研制了一种小型六单体串联自呼吸式质子交换膜燃料电池(PEMFC),阳极采用串联供氢,阴极采用自呼吸式供空气.在300 mA、500 mA下长时间工作时,PEMFC的性能稳定,各单体电池的工作电压较均一.     

基于DHP方法的PEM燃料电池优化控制器设计

质子交换膜燃料电池(PEMFC)系统具有明显的非线性和时变的特质,因此质子交换膜燃料电池的建模和优化控制问题是研究的重点。通过建立单体质子交换膜燃料电池的近似线性动态模型,并在此模型基础上,设计了基于双启发式动态规划(DHP)的质子交换膜燃料电池神经网络优化控制器。仿真结果表明,此近似线性模型有效地简化了非线性和时变的特质,在此模型基础上所设计的神经网络控制器具有更好的控制效果和控制精度。     

基于变分自编码器的主动配电网多源–荷场景生成方法

随着主动配电网中可再生能源渗透率的不断提高,其出力不确定性为主动配电网的规划、调度带来巨大挑战。针对该问题,提出一种基于变分自编码器的主动配电网多源–荷场景生成方法。该方法在传统变分自编码器结构中无监督地融入标签值使编码网络具有条件拟合的能力,并且设计了合理的编码网络与解码网络结构,使用图神经网络与时序卷积网络分别提取非欧氏相关性特征与时序相关性特征。算例使用实测多源–荷数据对所提方法进行仿真验证,结果表明改进变分自编码器能精确地还原场景并有效描述多源–荷场景之间的相关性,可对数据样本在无监督学习下生成标签值并生成对应同类型场景。     

质子交换膜燃料电池活化性能快速分析方法

活化可以进一步释放质子交换膜燃料电池(PEMFC)的性能。为评估活化对PEMFC的影响,并确定最优的活化工艺参数,必须进行电化学测试,但步骤繁琐且耗时长。提出一种基于差分进化(DE)算法的PEMFC快速性能分析方法,利用DE算法对PEMFC不同活化节点的J-U数据进行分析,得到活化前后的性能信息,最后,通过电化学阻抗谱(EIS)验证所提分析方法的可行性。该方法能分析PEMFC的活化性能,且平均耗时不超过10 s。     

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。